[发明专利]一种基于支持向量回归算法的锂电池剩余寿命预测方法

说明书

本发明公开了一种基于支持向量回归算法的锂电池剩余寿命预测方法,包括如下步骤：1)特征提取:对锂电池运行过程中产生的数据进行监测，从中提取锂电池放电的电压时间序列数据，并根据需要对提取的电压时间序列数据进行特征生成，按照相等电压差的原则对放电过程中的电压变化数据进行整理；2)构建模型:构建SVR算法模型，建立样本空间到高维空间的映射，使非平稳的训练数据可以在高维空间被线性拟合；3)训练并预测:将所提取的放电过程中的电压变化数据送入SVR模型中进行训练。本发明通过从电池运行数据中提取放电电压变化时间序列数据，并通过SVR算法对所提取的数据进行分析，克服了一般预测模型无法捕捉锂电池相关数据关系的难点。

技术领域

本发明涉及锂电池剩余寿命预测技术领域，具体涉及一种基于支持向量回归算法的锂电池剩余寿命预测方法。

背景技术

随着中国新能源汽车强国战略的实施，新能源汽车的发展必将迎来一个黄金时期。作为新能源汽车的主要供能来源，锂电池越来越受到人们的关注。锂电池发展多年，具有相当多优点，诸如能量密度高，综合寿命长，适用范围广等。但也仍存在较多问题。其中，随着使用时间的增长，锂电池的剩余使用寿命(RUL)会发生非平稳的下降，这给锂电池剩余使用寿命的预测增加了困难。

现有的相关研究，多以神经网络、高斯过程回归，相关向量机等算法搭建模型，采用电池剩余容量数据作为模型的输入特征进行预测。但这样做存在的问题是，锂电池的剩余容量数据往往难以实时测量，因此若模型采用锂电池的剩余容量数据进行训练，则在实际应用过程中，很可能无法获取模型所需的数据，也就无法正常进行锂电池RUL的预测。

锂电池的剩余容量数据难以实时测量，但锂电池在充放电过程中的电压变化数据却十分容易测量。考虑到锂电池在放电过程中，电压会因负载的不同而有所变化，因此，本文采用锂电池在充电过程中的电压数据作为模型的输入特征。当前锂电池RUL预测领域，虽然相关的方法众多，但尚未有支持向量机回归(Support Vector Regression,SVR)算法的相关模型。SVR是支持向量机(Support Vector Machine,SVM)的一个变体，用于处理回归任务。

SVR算法具有优秀的非线性能力，对于锂电池RUL这种非平稳波动的数据曲线，SVR可以将其投射到高维空间，在原始样本空间中无法线性可分的数据在高维空间中可轻易地将其线性分割。因此，SVR算法十分适合用于锂电池RUL预测。本发明将SVR算法引入锂电池RUL预测领域，使用SVR算法对锂电池充放电过程中产生的电压数据进行分析训练来预测锂电池RUL。

发明内容

针对现有技术中存在的问题，本发明提供了一种基于SVR算法的锂电池剩余寿命预测方法，该方法相较于现有方法，其预测准确度更高。

本发明的技术方案如下：

一种基于支持向量回归算法的锂电池剩余寿命预测方法,其特征在于，包括如下步骤：

1)特征提取:对锂电池运行过程中产生的数据进行监测，从中提取锂电池放电的电压时间序列数据，并根据需要对提取的电压时间序列数据进行特征生成，按照相等电压差的原则对放电过程中的电压变化数据进行整理；

2)构建模型:构建SVR算法模型，建立样本空间到高维空间的映射，使非平稳的训练数据可以在高维空间被线性拟合；

3)训练并预测:将所提取的放电过程中的电压变化数据送入SVR模型中进行训练，并用所学习到的高维映射关系对锂电池RUL进行预测。

所述的一种基于支持向量回归算法的锂电池剩余寿命预测方法,其特征在于，所述步骤1)具体为：按照相等电压差的原则选择一个放电电压区间，即提取放电过程中电压从某一高电压下降到某一低电压所需的时间，将其组成为电压变化时序特征。